Aineisto-opas: Somedata

Tutkimusaineistot ovat erilaisia, ja siksi myös niiden hallintaan liittyvät ratkaisut vaihtelevat. Aineistonhallinta on luovaa ongelmanratkaisua ja tärkeä osa vastuullista ja eettistä tutkimusta. Aineistonhallinnassa tarkoituksena ei ole hallita kaikkia tutkimushankkeita yhden mallin mukaisesti. Ohjeiden ja tukipalvelujen on tarkoitus auttaa tutkijaa löytämään omaan aineistoonsa, tutkimusasetelmaansa ja tutkimusympäristöönsä sopivat ratkaisut.  

Hyvin toteutettu aineistonhallinta tukee tutkimuksen luotettavuutta, läpinäkyvyyttä, toistettavuutta ja mahdollista jatkokäyttöä. Aineistonhallinta kattaa tutkimusaineiston koko elinkaaren tutkimuksen suunnittelusta aineiston keruuseen tai hankintaan, käsittelyyn, analysointiin, dokumentointiin, säilyttämiseen sekä tutkimuksen jälkeiseen avaamiseen, arkistointiin tai hävittämiseen.  

Tutkimusaineistot eroavat toisistaan esimerkiksi aineiston tuottamistavan, tietosuoja- ja tietoturvavaatimusten, sopimusten, teknisten ratkaisujen sekä jatkokäyttömahdollisuuksien suhteen. Tässä aineistokohtaisessa oppaassa tarkastellaan aineistonhallinnan keskeisiä kysymyksiä somedatan näkökulmasta.

Kaikkia tutkimusaineistoja ei ole mahdollista tai tarkoituksenmukaista avata muiden käyttöön. Aineiston avaamista voivat rajoittaa esimerkiksi henkilötietojen suoja, tekijänoikeudet, sopimukset tai tutkimuseettiset näkökohdat. Vaikka varsinaista aineistoa ei voitaisi julkaista, sen kuvailutiedot, dokumentaatio tai analyysissa käytetyt menetelmät ja ohjelmakoodit voidaan usein saattaa muiden tutkijoiden saataville. Tämä tukee tutkimuksen läpinäkyvyyttä, tutkimustulosten arviointia ja avoimen tieteen tavoitteita.   

Tämän oppaan tarkoituksena on auttaa tutkijaa tunnistamaan oman aineistotyyppinsä keskeisiä aineistonhallinnan kysymyksiä sekä löytämään käytännöllisiä ratkaisuja tutkimuksen eri vaiheisiin. Opas täydentää organisaation yleisiä datanhallinnan, tietosuojan, tietoturvan ja avoimen tieteen ohjeita. 

Tämä opas käsittelee sosiaalisen median alustoilta tutkimuskäyttöön kerättävää sisältöä (somedata) sekä muita digitaalisia jalanjälkiä. Tutkijan kannalta oleellista on tuntea oman tutkimuksen kohteena olevan sosiaalisen median alustan toimintaperiaatteet. Tärkeää on myös seurata aktiivisesti sosiaalisen median alustojen muutoksia, sillä ala muuttuu poikkeuksellisen nopeasti. Somedatan erityispiirteet aiheuttavat sen, että huomioitavia yksityiskohtia on paljon. Tämän ei kuitenkaan kannata antaa lannistaa, vaan somedataa kannattaa hyödyntää tutkimuksessa. Ks. myös (sivu on englanninkielinen).

Somedatan keruussa ennalta yhdessä sovitut suuntaviivat helpottavat tutkimuksen tekoa. Koska somedatan keruu aloitetaan yleensä nopeasti kiinnostavan ilmiön havaitsemisen jälkeen, datanhallinnan onnistuminen riippuu työryhmän kesken ennalta sovituista suuntaviivoista. Suunnittelemalla datankeruun etukäteen tutkimusryhmäsi säästää paljon arvokasta aikaa, vaivaa ja resursseja. Alle on listattu keskeiset kysymykset, joihin kannattaa sopia valmiit perusratkaisut tutkimusryhmän kesken jo etukäteen. Muussa tapauksessa ratkaisut joudutaan tekemään kiireessä ja tämä voi johtaa ongelmiin välittömästi (kerätty data sopii huonosti tutkimuksen päämäärien saavuttamiseen) tai pidemmällä tähtäimellä (datan prosessointi vaikeutuu huonosti yhteensopivien työkalujen vuoksi). Näihin kannattaa kiinnittää huomiota mahdollisimman varhaisessa vaiheessa. (Ks. myös Venturini ym. 2018).

Tärkeimpiä etukäteen suunniteltavia ja selvitettäviä asioita ovat:

• Miltä alustoilta dataa kerätään?
• Miten tutkimuksen kohteena olevan alustan omat käyttöehdot mahdollistavat tai rajaavat aineistonkeruuta?
• Mitä dataa kerätään – keskitytäänkö esimerkiksi tiettyihin asiasanoihin vai käyttäjiin?
• Millä työkaluilla keruu tehdään ja kuka vastaa keruusta?
• Mihin data tallennetaan ja kenellä on pääsy siihen?
• Miten dataa aiotaan prosessoida ja analysoida? Millä työkaluilla? Työryhmässä toimittaessa, kuka prosessoi minkäkin osan datasta?
• Miten keruuprosessi dokumentoidaan?

Aiheuttaako suunnittelemasi tietojen käsittely korkean riskin tutkimukseen osallistuville? Helsingin yliopistossa arvioinnin apuna voit hyödyntää , joka löytyy tutkijan tietosuojaohjeiden yhteydestä Flammasta.

Tutustu kulloisenkin alustan loppukäyttäjän lisenssisopimukseen (EULA). Sosiaalisen median alustojen loppukäyttäjän lisenssisopimukset (jatkossa EULA; end-user license agreement) ja käyttösäännöt määrittävät (developer-sopimusten ohella, ks. alla) myös tutkimustoimintaa, vaikka alustan EULAssa ei välttämättä mainita tutkimuskäytöstä mitään erityistä. Näissä tapauksissa lisenssisopimusta ja käyttösääntöjä on syytä verrata ajankohtaiseen lainsäädäntöön tai erilaisiin kohtuullisen käytön linjauksiin (vrt. Fair use Yhdysvaltojen tekijänoikeuslainsäädännössä, sitaattioikeus tai yksityiskäyttöoikeus Suomen lainsäädännössä). (Ks. esim. Laaksonen & Salonen 2018; Obar & Oeldorf-Hirsch, A. 2020).

Somedatan keräämistä voi määritellä myös developer-sopimus. Somedatan keruu tapahtuu paljolti sosiaalisen median alustojen ehdoilla, ja tutkijan onkin tyypillisesti allekirjoitettava kyseisen alustan developer-sopimus, joka määrittää datan keruulle ja säilyttämiselle tarkat rajat. Developer-sopimuksen allekirjoittamalla tutkija saa somedataa käyttöönsä ohjelmointi- tai muun tutkimusrajapinnan (jatkossa API; application programming interface) kautta. Alustojen API:t saattavat olla maksullisia, mikä on syytä ottaa huomioon hankkeen budjettia laadittaessa.

Sosiaalisen median alustojen käyttösäännöt tai alustojen kanssa tehdyt sopimukset voivat rajoittaa verkkosisältöjen tai tiedonharavointia, eli koneavusteista tai automatisoitua datankeruuta julkisilta verkkosivuilta (eli skreippausta; engl. web/data scraping). Useat sosiaalisen median alustat ohjaavat tutkijoita käyttämään virallisia ohjelmointirajapintojaan (API) ja saattavat asettaa käyttöehdoissaan rajoituksia haravoinnille. Käyttöehdot ja tekniset rajapinnat muuttuvat kuitenkin jatkuvasti, minkä vuoksi tutkijan on syytä tarkistaa niiden ajantasainen sisältö ennen aineiston keruuta.

Käytännössä tutkimuskäyttöön liittyvä tiedonharavointi ei ole yksiselitteinen kysymys. Alustojen käyttöehtojen lisäksi tilanteeseen vaikuttavat myös tekijänoikeuslainsäädäntö, tietosuojaa koskeva sääntely sekä tutkimuksen erityisasema esimerkiksi tiedonlouhinnan (engl. text and data mining) yhteydessä (ks. esim. ). Tämän vuoksi aineiston keruuta suunniteltaessa on tärkeää arvioida sekä oikeudelliset että tutkimuseettiset näkökohdat.

Tiedeyhteisössä käydään myös keskustelua siitä, missä määrin tutkijoiden tulisi noudattaa alustojen käyttöehtoja tilanteissa, joissa ne rajoittavat yhteiskunnallisesti merkittävien ilmiöiden, kuten julkisen keskustelun, vaalikampanjoiden tai disinformaation tutkimista (ks. esim. Bruns 2019; Rogers 2018; Sandvig 2017). Tutkijan onkin hyvä tiedostaa, että alustojen käyttöehdot, tutkimuksen tavoitteet ja lainsäädännön tarjoamat mahdollisuudet eivät aina ole täysin linjassa keskenään.

Kaupallisilta tahoilta hankittuun somedataan liittyvät erilliset sopimukset. Somedataa voi hankkia tutkimuskäyttöön myös ostamalla valmiiksi kerättyä dataa kaupalliselta toimijalta. Tämä edellyttää sopimuksen tekemistä kaupallisen toimijan kanssa, ja tämä sopimus voi olla yhtä rajoittava kuin developer-sopimus. Tutustu sopimukseen huolellisesti ennen allekirjoittamista.

Informointivelvollisuuden toteuttaminen somedatan tutkimuksessa. Yleisen tietosuoja-asetuksen (GDPR) mukaan tutkimukseen osallistuvia henkilöitä on informoitava heidän henkilötietojensa keräämisestä ja käsittelystä. Sosiaalisen median aineistojen tapauksessa informointivelvollisuuden toteuttaminen ei kuitenkaan ole aina yksinkertaista. Käyttäjät ovat yleensä hyväksyneet alustan käyttöehdot ja tietosuojakäytännöt, joissa kuvataan henkilötietojen käsittelyä palvelussa. Tämä ei kuitenkaan välttämättä tarkoita, että käyttäjät olisivat saaneet tietoa juuri kyseisestä tutkimuksesta tai sen yhteydessä tapahtuvasta henkilötietojen käsittelystä.

Käytännössä tutkijan voi olla mahdotonta informoida jokaista tutkimusaineistoon päätyvää käyttäjää yksilöllisesti. Somedataa kerätään usein useilla kielillä sadoilta, tuhansilta tai jopa miljoonilta käyttäjiltä, eikä kaikkia käyttäjätilejä välttämättä ole enää olemassa tutkimuksen julkaisuhetkellä.

Tutkittavien informoinnista voidaan tietyissä rajatuissa tapauksissa poiketa, esimerkiksi silloin, kun tiedot on saatu muualta kuin tutkittavilta itseltään ja informointi osoittautuu mahdottomaksi tai vaatisi kohtuutonta vaivaa. Tällaisissa tilanteissa tutkimuksesta voidaan tiedottaa yleisellä tasolla esimerkiksi tutkimuksen verkkosivuilla, tutkimuksen kohteena olevalla somealustalla tai muissa tutkijoiden käyttämissä viestintäkanavissa. Tutkija tai tutkimusryhmä voi esimerkiksi julkaista tutkimushanketta esitteleviä viestejä tutkimuksen kannalta keskeisiä aihetunnisteita käyttäen.

Vaikka tutkittavien yksilöllisestä informoinnista poikettaisiin tai tutkimuksesta tiedotettaisiin vain yleisellä tasolla, tutkimukselle on laadittava tietosuojaseloste. Tietosuojaseloste toimii myös osoitusvelvollisuutta tukevana dokumenttina (). Helsingin yliopistossa tietosuojaseloste toimitetaan arkistoitavaksi tietosuojavastaavalle (Helsingin yliopistossa sähköpostilla osoitteeseen ), ja sen laatimista varten tarvittavat ohjeet ja pohjat löytyvät Flammasta.

Somedata on usein matalariskistä henkilötietoa, mutta voi sisältää myös sensitiivistä tietoa – esimerkiksi poliittisia näkemyksiä tai tietoa uskonnollisista vakaumuksista, joita jaetaan erityisesti suljetuissa ryhmissä. Somedata on kuitenkin usein luonteeltaan julkista (kuka vain internetissä voi nähdä sen) tai puolijulkista (kaikki palvelun käyttäjät voivat nähdä sen), mikä madaltaa datan riskiastetta. Teoriassa jokainen sosiaalisen median alustan käyttäjä on hyväksynyt alustalle liittyessään EULA:n ja käyttösäännöt, joissa määritellään palvelun sisältöjen näkyvyyttä ja käyttöä koskevat ehdot. Harva keskivertokäyttäjä on kuitenkaan tutustunut EULA:n tai käyttösääntöjen yksityiskohtiin (ks. esim. Obar & Oeldorf-Hirsch 2020). Näin ollen ei voida olettaa, että he ymmärtäisivät julkaisujensa olevan yhtä julkisia kuin esimerkiksi sanomalehtien mielipidekirjoitukset. Tämä on tutkimuseettisesti ongelmallista ja vaikeuttaa tutkittavien asianmukaista informointia. (Ks esim. ).

Somedatan tai sieltä otettujen suorien lainausten anonymisointi on usein mahdollista murtaa fraasihaulla.Tutkimusta julkaistaessa on otettava huomioon, että julkisesti internetissä olevasta someaineistosta (esim. twiitistä tai Reddit-julkaisusta) voidaan usein tunnistaa alkuperäinen julkaisu ja sen kirjoittaja yksinkertaisella hakukoneella tehdyllä fraasihaulla. Tällöin aineistoa ei voida pitää aidosti anonymisoituna GDPR:n tarkoittamassa merkityksessä. Täydellinen anonymisointi vaatisi myös linkitettyjen tai mainittujen tilien poistoa. Tutkittaessa tarkkarajaisia tai harvinaisia someilmiöitä henkilöiden tunnistettavuus vaarantuu.

Tutkittavien anonymiteettiä voi vahvistaa esimerkiksi kääntämällä (jos aineistojen kieli on jokin toinen kuin tutkimuksen kieli) someaineistot toiselle kielelle ja olla tarjoamatta alkukielistä versiota. Toinen mahdollisuus on käyttää parafraaseja, eli ilmaista sisältö sen alkuperäiselle ilmaisulle uskollisesti muttei sanatarkasti (ks. esim. Markham 2012). Näillä ratkaisuilla voidaan vahvistaa tutkittavien anonymiteettiä ja edistää tutkimuseettisesti kestävää aineiston käyttöä.

Somedataan perustuvan tutkimuksen läpinäkyvyys paranee huolellisella dokumentoinnilla. Sosiaalisen median alustojen rajapinnat (API), datankeruuseen käytettävät ohjelmistot ja muut työkalut muuttuvat jatkuvasti. Tämän vuoksi datankeruun toistaminen ei välttämättä ole mahdollista myöhemmin samalla tavalla kuin alkuperäisen keruun hetkellä. Tutkimuksen läpinäkyvyyttä ja toistettavuutta voidaan kuitenkin parantaa dokumentoimalla keskeiset tiedot datankeruusta, kuten käytetyt rajapinnat, niiden versiot sekä käytetyt ohjelmistot ja skriptit. Toistettavuutta heikentää myös se, että sosiaalisen median alustoilta poistuu sisältöä käyttäjien poistaessa julkaisujaan tai poistuessa palveluista. Lisäksi käyttäjät voivat muokata julkaisujaan jälkikäteen. Tästä syystä dokumentaatiossa on tärkeää kuvata myös datankeruun ajankohta mahdollisimman tarkasti.

Tehokas tapa kerätä somedataa on hyödyntää valmiita keräintyökaluja. Internetissä on saatavilla useita avoimeen lähdekoodiin perustuvia työkaluja, joiden avulla somedataa voidaan kerätä tutkimuskäyttöön. Monet näistä perustuvat Python- tai R-ohjelmointikielten kirjastoihin ja hyödyntävät sosiaalisen median alustojen tarjoamia rajapintoja (API). Esimerkkejä tällaisista työkaluista ovat eri alustoille kehitetyt avoimen lähdekoodin keräimet – muun muassa X:n aineistojen keruun tapauksessa paljon käytetty .

Keräimien käyttöönotto edellyttää usein pääsyä alustan tarjoamaan rajapintaan sekä vähintään perustason teknistä osaamista. Tutkijan onkin suositeltavaa tutustua huolellisesti käyttämänsä työkalun dokumentaatioon ja tarvittaessa myös sen lähdekoodiin. Näin on helpompi ymmärtää, mitä aineistoa työkalu kerää, miten se käsittelee dataa ja millaisia rajoituksia keruuprosessiin liittyy (esimerkiksi ja ).

Omien keräinten ohjelmointi lisää kontrollia datankeruuprosessiin. Omien keräinten ohjelmointi vaatii tutkijalta merkittävää ohjelmointiosaamista sekä ajallista panostusta. Laajasti käytetyt valmiit keräimet ovat usein käyneet läpi pitkän kehitys- ja testausprosessin, mikä vähentää virheiden riskiä verrattuna tutkijan itse kehittämiin työkaluihin.

Itse ohjelmoitujen keräinten etuna on kuitenkin se, että tutkija tuntee tarkasti datankeruun teknisen toteutuksen ja voi hallita aineiston muodostumista yksityiskohtaisesti. Lisäksi tutkija voi halutessaan jakaa käyttämiään keräimiä, skriptejä ja niiden dokumentaatiota esimerkiksi GitLabissa tai GitHubissa (esimerkiksi GitLabissa (). Tämä tukee tutkimuksen läpinäkyvyyttä ja helpottaa menetelmien arviointia ja hyödyntämistä myös muissa tutkimushankkeissa.

Kaupallisesti hankitun somedatan keruuprosessi ei ole aina läpinäkyvä. Kaupalliselta toimijalta dataa hankittaessa tutkija ei välttämättä tiedä, millä periaatteilla aineisto on kerätty tai millaisia valintoja sen kokoamiseen on tehty. Erityisesti suurten aineistojen kohdalla voi olla vaikeaa arvioida, kuinka hyvin aineisto vastaa tutkimuksen kohteena olevaa ilmiötä.

Tutkijalle tarjottavan aineiston valikointi saattaa perustua algoritmeihin tai muihin menetelmiin, joiden tarkkaa toimintaa ei tunneta. Joissakin tapauksissa nämä voivat olla liikesalaisuuksien suojaamia. Tällöin tutkijan mahdollisuudet arvioida aineiston muodostumista ja siihen liittyviä mahdollisia vinoumia ovat rajalliset. Tämä voi synnyttää tutkimuksen kannalta merkittäviä sokeita pisteitä, joita tutkija ei välttämättä pysty tunnistamaan tai ottamaan huomioon tutkimustuloksia tulkitessaan. (Joseph ym. 2014; Morstatter ym. 2013.)

Raakasomedatan esikäsittelyyn voi kulua huomattavasti aikaa. Raakasomedata sisältää usein paljon tutkimuksen kannalta tarpeetonta tai vaikeasti hyödynnettävää tietoa, minkä vuoksi aineistoa on yleensä muokattava ennen analyysia. Tämä voi tarkoittaa esimerkiksi JSON-muotoisen datan käsittelyä skripteillä, tietokenttien valikointia tai aineiston muuntamista analyysin kannalta tarkoituksenmukaisempaan muotoon. Aineiston esikäsittelyä suunniteltaessa on tärkeää ottaa huomioon, millaista analyysia datalla aiotaan tehdä. Esikäsittelyvaiheessa tehdyt valinnat vaikuttavat suoraan siihen, mitä aineistosta voidaan myöhemmin tutkia ja millaisia tuloksia voidaan saada. Puutteellinen suunnittelu voi johtaa siihen, että osa työstä joudutaan tekemään uudelleen, mikä kuluttaa tarpeettomasti aikaa ja resursseja. Esikäsittelyyn tarvittavan työn määrää voi olla vaikea ennakoida. Käytännössä siihen voi kulua viikkoja tai jopa kuukausia, etenkin silloin kun aineisto on laaja tai tutkimuksen tavoitteet eivät ole vielä tarkasti määrittyneet.

Aineiston esikäsittelyn dokumentointi tukee tutkimuksen läpinäkyvyyttä ja toistettavuutta. Raakadatan muuttaminen tutkimukselle hyödylliseen muotoon voi heikentää tutkimuksen läpinäkyvyyttä ja toistettavuutta, jos työvaiheita ei dokumentoida huolellisesti. Dokumentaatiossa on hyvä kuvata esimerkiksi, miten aineistoa on käsitelty, mitä tietoa siitä on poistettu tai muokattu sekä millaisia skriptejä, ohjelmistoja ja työkaluja käsittelyssä on käytetty. Huolellinen dokumentointi helpottaa sekä tutkimuksen arviointia että sen myöhempää toistamista. Se tukee myös tutkimusryhmän sisäistä yhteistyötä, sillä toisten tutkijoiden työvaiheiden ja käyttämien skriptien ymmärtäminen ilman dokumentaatiota voi olla haastavaa ja aikaa vievää. Tutkimusprosessin dokumentaatiota voi ajatella tutkimuksen metadatana. Se on usein julkaistavissa myös silloin, kun varsinaista aineistoa ei voida avata muiden käyttöön.

Somedatan kuvailun sijaan mielekkäämpää on puhua tutkimusprosessien dokumentaatiosta. Somedata syntyy tutkijasta riippumatta ja tutkimuksen ulkopuolisiin tarkoituksiin, minkä vuoksi tutkija ei voi dokumentoida kattavasti kaikkia aineiston syntyyn vaikuttavia tekijöitä. Esimerkiksi X:n API:n kautta kerätty JSON-aineisto sisältää suuren määrän kenttiä ja muuttujia, joista osa (esim. käyttäjän profiilisivun taustaväri) on tutkimuksen kannalta harvoin merkityksellisiä. Tutkijan ei voida myöskään olettaa olevan vastuussa siitä, miten somealusta kerää tietoja tai millä perusteilla alusta välittää tietoja tutkijalle. Sen sijaan tutkijan on hyvä olla tietoinen alustan ajantasaisista vaikutuksista datankeruuseen ja aineiston sisältöön. Tätä ymmärrystä tukee myös kriittisen somealustatutkimuksen tuntemus. Somedataan perustuvan tutkimuksen dokumentaatiossa tutkijan keskeinen vastuu liittyykin aineiston kattavan kuvailun sijasta tutkimus-, keruu- ja analyysiprosessin dokumentointiin.

Tutkimusprosessien dokumentointi tukee tutkimuksen läpinäkyvyyttä ja toistettavuutta. Somedatan käsittely ja analysointi sisältävät usein useita työvaiheita, jotka muuttavat alkuperäistä aineistoa. Siksi on tärkeää dokumentoida esimerkiksi aineistolle tehdyt käsittelyvaiheet, käytetyt ohjelmistot, skriptit ja niiden versiot sekä tutkimuksen kannalta keskeiset analyysiratkaisut. Huolellinen dokumentointi helpottaa tutkimuksen arviointia, toistamista ja jatkokäyttöä. Se tukee myös tutkimusryhmän sisäistä yhteistyötä, sillä dokumentaation avulla muut tutkijat voivat ymmärtää aiemmin tehtyjä työvaiheita ilman, että ratkaisujen taustaa täytyy selvittää jälkikäteen. Tutkimusprosessin dokumentaatiota voidaan pitää tutkimuksen metadatana. Se on usein julkaistavissa myös silloin, kun varsinaista aineistoa ei voida avata muiden käyttöön.

Kaikille tutkimushankkeille sopivaa tallennusratkaisua ei ole olemassa. Tallennusratkaisua valittaessa on huomioitava esimerkiksi seuraavat tekijät:

• kuinka moni tarvitsee pääsyn aineistoon
• kuinka paljon dataa on
• kuinka sensitiivistä aineisto on
• tehdäänkö tutkimusta yhteistyössä muiden organisaatioiden kanssa

Huolellinen eri tallennusratkaisuihin tutustuminen on suositeltavaa. Helsingin yliopiston tarjoamat tallennusratkaisut on koottu .

Tallennusratkaisua valittaessa on syytä olla erityisen huolellinen yleisten pilvipalveluiden sekä siirrettävien tallennusvälineiden (kuten ulkoisten kovalevyjen ja muistitikkujen) käytössä, etenkin jos aineisto sisältää henkilötietoja tai muuta suojattavaa tietoa.

Seuraavat suositukset perustuvat somedataan, joka voi sisältää henkilötietoja mutta ei erityisen arkaluonteista tai korkean riskin aineistoa.

• Jos tutkija tekee tutkimustaan yksin Helsingin yliopistossa ja hänelle kertyy dataa alle 100 GB, kotihakemisto eli  on hyvä vaihtoehto, sillä se on riittävän tietoturvallinen ja tarjoaa tarkan pääsynhallinnan sekä automaattisen varmuuskopioinnin.
• Jos tutkija tekee tutkimustaan yksin tai vain Helsingin yliopiston tutkijoita sisältävässä ryhmässä ja dataa kertyy alle 10 TB, ryhmähakemisto eli  on hyvä vaihtoehto, sillä se on riittävän tietoturvallinen ja tarjoaa tarkan pääsynhallinnan ja automaattisen varmuuskopioinnin.
• Jos tutkimusryhmään kuuluu Helsingin yliopiston ulkopuolisia yhteistyökumppaneita, mahdollisia ratkaisuja ovat esimerkiksi , sekä dokumentaation hallintaan . Palveluiden käyttötarkoitukset, tietosuojavaatimukset ja käyttöehdot vaihtelevat, joten niiden soveltuvuus tutkimusaineiston tallentamiseen on syytä tarkistaa tapauskohtaisesti ennen käyttöönottoa.
• Erityisesti henkilötietoja sisältävien aineistojen kohdalla on varmistettava, että valittu palvelu soveltuu kyseisen aineiston käsittelyyn. Tarvittaessa aineisto voidaan suojata esimerkiksi salauksella. Tietoturvaa voidaan parantaa myös eriyttämällä aineiston eri osia eri palveluihin, esimerkiksi säilyttämällä pseudonymisointiavaimet erillään tutkimusaineistosta ja dokumentaatiosta.

Aineiston avaamisessa, arkistoinnissa ja hävittämisessä on noudatettava tutkimuksen aikana tehtyjä sopimuksia, tutkittaville annettua informointia sekä aineistoa koskevia lainsäädännöllisiä ja eettisiä velvoitteita. Vaikka varsinaista tutkimusaineistoa ei olisi mahdollista avata, voidaan aineiston kuvailutietoja, dokumentaatiota, menetelmäkuvauksia tai analyysissa käytettyjä ohjelmakoodeja usein julkaista tutkimuksen läpinäkyvyyden ja toistettavuuden tukemiseksi.

Helsingin yliopiston -, - ja -palvelut ovat tutkijoiden käytettävissä aineistojen, datan ja kuvailutietojen säilyttämiseen, julkaisemiseen ja avaamiseen tutkimuksen aktiivivaiheen jälkeen tai tutkimushankkeen päätyttyä. Palveluiden soveltuvuus riippuu aineiston luonteesta, käyttöoikeuksista ja tietosuojavaatimuksista.

Sosiaalisen median alustojen käyttöehdot tai alustojen kanssa tehdyt sopimukset voivat rajoittaa aineistojen avaamista ja pitkäaikaissäilytystä. Monissa tapauksissa tutkimukseen kerättyä somedataa ei voida avata tai arkistoida sellaisenaan, vaan tutkijan on noudatettava alustan määrittelemiä ehtoja. Rajoitukset vaihtelevat alustoittain, minkä vuoksi aineiston avaamiseen ja pitkäaikaissäilytykseen liittyvät ehdot on syytä selvittää jo tutkimuksen suunnitteluvaiheessa.

Joillakin alustoilla dataa voidaan jakaa esimerkiksi tunnisteiden tai muiden viitetietojen muodossa varsinaisen sisällön sijaan. Tällöin aineiston hyödyntäminen myöhemmin voi edellyttää datan hakemista uudelleen alustan tarjoamien rajapintojen kautta. Käytännöt, tekniset ratkaisut ja palveluiden ehdot muuttuvat kuitenkin jatkuvasti, mikä voi vaikeuttaa tutkimuksen toistettavuutta sekä aineistojen pitkäaikaista säilyttämistä.

Vaikka aineiston avaaminen ei olisi mahdollista, tutkija voi usein julkaista tutkimuksessa käyttämänsä menetelmät, skriptit ja muun ohjelmakoodin esimerkiksi GitLabissa tai GitHubissa. Koodin jatkokäytettävyyden kannalta on tärkeää, että se on riittävästi kommentoitu ja dokumentoitu.

Tutkimuksen päätyttyä somedatan kuratointi voi jäädä tutkijan vastuulle. Joidenkin sosiaalisen median alustojen käyttöehdot tai developer-sopimukset edellyttävät, että tutkija huolehtii aineiston ajantasaisuudesta myös datankeruun jälkeen. Tämä voi tarkoittaa esimerkiksi sitä, että kerätystä aineistosta poistetaan julkaisut, jotka alkuperäinen some-julkaisun tekijä on myöhemmin poistanut näkyvistä tai kokonaan alkuperäisessä palvelussa. Some-käyttäjän alkuperäisen julkaisun poistaminen voidaan tulkita merkkinä muuttuneesta yksityisyyden suojaamisen tahtotilasta, mikä korostaa tutkimuseettisen ja tietosuoja-asetuksen mukaisen harkinnan merkitystä aineiston jatkokäytössä.

Käytännössä kuratointivaatimus voi olla tutkijoille haastava. Se saattaa edellyttää aineiston säännöllistä päivittämistä tai tarkistamista alustan tarjoamien rajapintojen kautta, mikä lisää työmäärää ja voi aiheuttaa kustannuksia. Samalla tutkijan käytettävissä oleva aineisto muuttuu ajan myötä, kun julkaisuja poistetaan tai käyttäjät poistuvat palvelusta. Tämä voi heikentää tutkimuksen toistettavuutta, sillä alkuperäistä aineistoa ei välttämättä ole enää mahdollista rekonstruoida täsmällisesti.

Kuratointivaatimus vaikuttaa myös tutkimuksen kohteeseen. Käytännössä tutkija tarkastelee usein sitä aineistoa, joka on saatavilla tutkimushetkellä tai myöhempien tarkistusten yhteydessä, eikä välttämättä kaikkea aiemmin julkaistua sisältöä. Tämän vuoksi sosiaalisen median historiallinen tutkimus on lähtökohtaisesti rajallisempaa kuin tutkimus, jossa alkuperäinen aineisto voidaan säilyttää muuttumattomana.

Aineiston pitkäaikaissäilytystä suunniteltaessa on tärkeää arvioida huolellisesti arkistointiratkaisujen soveltuvuus.Erityisesti henkilötietoja sisältävän aineiston kohdalla on varmistettava, että palvelu täyttää tietoturva- ja tietosuojavaatimukset. Jos aineistoa joudutaan säilyttämään palveluissa tai tallennusvälineillä, joiden suojaustaso on rajallinen, tietoturvaa voidaan parantaa esimerkiksi salaamalla tiedostot ja huolehtimalla useista varmuuskopioista.

Aineiston tuhoaminen on myös vaihtoehto. Kaikkea tutkimusaineistoa ei ole tarpeen säilyttää tutkimuksen päättymisen jälkeen, vaan aineisto voidaan myös hävittää. Ennen aineiston tuhoamista on kuitenkin varmistettava, ettei sen säilyttämiselle ole tutkimuksellisia, sopimuksellisia tai lainsäädännöstä johtuvia perusteita.

Poistettavat aineistot tulee hävittää tietoturvallisesti. Kaikkia tutkimusaineistoja ei ole mahdollista tai tarkoituksenmukaista säilyttää tutkimuksen päättymisen jälkeen. Jos aineisto päätetään hävittää, poistaminen on tehtävä siten, ettei tiedostoja voida palauttaa myöhemmin käyttöön. Erityisesti henkilötietoja sisältävien aineistojen kohdalla tulee noudattaa organisaation tietoturvaohjeita. Fyysiset tallennusvälineet, kuten ulkoiset kovalevyt, muistitikku tai optiset levyt, on hävitettävä turvallisesti. Tarvittaessa apua voi pyytää organisaation IT-palveluista tai tietoturvasta vastaavilta asiantuntijoilta (ks. ). Etenkin arkaluonteisten aineistojen hävittämisessä tulee tiedostojen kohdalla noudattaa . Myös IT-lähitukea () voi pyytää hoitamaan hävityksen, mikäli on epävarma tai kyseessä on hyvin sensitiivinen aineisto.

Bruns, A. (2019). After the ‘APIcalypse’: social media platforms and their fight against critical scholarly research. Information Communication and Society, 22(11), 1544–1566. 

Joseph, K., Landwehr, P. M., & Carley, K. M. (2014). Two 1%s Don’t make a whole: Comparing simultaneous samples from Twitter’s Streaming API. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8393 LNCS, 75–83. 

Laaksonen, Salla-Maaria & Salonen, Margareta 2018. Kuka saa päättää, mitä dataa tutkijalla on käytössään? Ei ainakaan amerikkalainen suuryritys. Rajapinta.

Markham, A. (2012). Fabrication as Ethical Practice. Information, Communication & Society, 15(3), 334–353.

Morstatter, F., Ave, S. M., Ave, S. M., & Carley, K. M. (2013). Is the Sample Good Enough ? Comparing Data from Twitter ’ s Streaming API with Twitter ’ s Firehose.

Obar, J. A., & Oeldorf-Hirsch, A. (2020). The biggest lie on the Internet: ignoring the privacy policies and terms of service policies of social networking services. Information, Communication & Society, 23(1), 128–147.

Rogers, R. (2018). Social media research after the fake news debacle. Partecipazione e Conflitto: The Open Journal of Sociopolitical Studies, 11(2), 557–570. doi:10.1285/i20356609v11i2p557

Sandvig, C. (2017). Heading to the courthouse for Sandvig v. Sessions.

Venturini, T., Bounegru, L., Gray, J., & Rogers, R. (2018). A reality check(list) for digital methods. New Media and Society, 20(11), 4195–4217. 
 

.

.

.

SSH-alojen aineistonhallinnan käsikirjat ovat tarkoitettu eläviksi resursseiksi, joita päivitetään vastaamaan alan kehittyviä käytänteitä ja tutkijoiden tarpeita.

Voit antaa palautetta Somedata-oppaaseen, kuten täydennyksiä, kysymyksiä tai korjauksia, tämän kautta.